• กองส่งเสริมการวิจัยและบริการวิชาการ มหาวิทยาลัยมหาสารคาม
  • 04-3754-416 (1756)

โครงข่ายประสาทแบบคอนโวลูชันเชิงลึกเพื่อรู้จำรูปภาพใบพืช
Deep Convolutional Neural Network to Recognize Plant Leaf Images

  • ปีงบประมาณ : 2565 | ประเภททุน : ทุน นิสิต ป.เอก
  • ผู้ร่วมโครงการ : เปรม อิงคเวชชากุล
  • งบประมาณที่ขอสุทธิ : 60,000 บาท

ความสำคัญ/ ที่มา :

ปัจจุบันการเรียนรู้เชิงลึก (Deep Learning) ถูกนำไปผนวกกับงานด้านคอมพิวเตอร์วิทัศน์ (Computer Vision) และปัญญาประดิษฐ์ (Artificial Intelligence) เพื่อช่วยในการตรวจจับ (Detection) และการรู้จำ (Recognition) รูปภาพ และวิดีโอ อีกทั้งยังสามารถนำไปช่วยแก้ไขปัญหาในงานที่แตกต่างกัน เช่น งานทางด้านการแพทย์ได้นำการเรียนรู้เชิงลึกมาช่วยในการคัดแยกภาพทางการแพทย์ (Medical Image) [1] วิเคราะห์ภาพจากการตรวจคลื่นแม่เหล็กไฟฟ้า (Magnetic Resonance Imaging: MRI) [2] วิเคราะห์คุณภาพของภาพจอประสาทตา (Retinal Image) [3] การจำแนก (Classification) รูปภาพ MRI ของสมองที่มีความผิดปกติ (Brain Abnormality) [4] และการวิเคราะห์คุณภาพสเปริมของมนุษย์ (Sperm Morphology Analysis: SMA) [5] งานทางด้านอุตสาหกรรมได้นำการเรียนรู้เชิงลึกมาช่วยในขั้นตอนการติดตามกระบวนการและการปฏิบัติงาน (Monitoring Process and Operations) โดยวิเคราะห์จากรูปภาพกระบวนการอุตสาหกรรม (Industrial Process Images)  [6] วิเคราะห์โครงสร้างคอนกรีตที่เป็นหลุม  (Concrete Pore Structure) [7]

สำหรับงานทางด้านเกษตรกรรมได้นำการเรียนรู้เชิงลึกไปใช้ร่วมกับเทคโนโลยีการเชื่อมต่อของสรรพสิ่ง (Internet of Things: IoT) และอากาศยานไร้คนขับ (Unmanned Aerial Vehicles: UAV) [8] เพื่อพัฒนาให้เป็นระบบการเกษตรอัจฉริยะ เช่น การพยากรณ์สภาพแวดล้อมทางการเกษตร (Agricultural Environment Prediction) โดยใช้ Long Short-Term Memory (LSTM) และ Gated Recurrent Unit (GRU) ในการวิเคราะห์ข้อมูลอุณหภูมิ ความชื้นในดิน ดัชนีคุณภาพอากาศ ความกดอากาศ ความเร็วลม และทิศทางลม [9]  การนำการเรียนรู้เชิงลึก และ IoT มาช่วยงานทางด้านการเกษตรส่งผลให้คุณภาพของผลผลิตทางการเกษตรมีคุณภาพมากขึ้น และยังช่วยลดต้นทุนในการทำเกษตรกรรมอีกด้วย

          ปัญหาหลักที่ส่งผลโดยตรงต่อผลผลิตทางการเกษตร คือความผิดปกติที่เกิดจากโรคพืช แมลงศัตรูพืช ซึ่งเกษตรกรจะต้องมีความรู้ และความเชี่ยวชาญในการแก้ไขปัญหา หรือวินิจฉัยโรคพืชที่เกิดขึ้น เพื่อทำให้เกิดการป้องกันแก้ไขได้รวดเร็ว และไม่ทำให้โรคพืชระบาดไปยังบริเวณกว้าง ดังนั้นหากเกษตรกรมีความรู้ไม่เพียงพอ และไม่สามารถวินิจฉัยโรคพืชได้อาจส่งผลเสียหายต่อผลผลิตได้ จึงทำให้นักวิจัยได้พัฒนาวิธีการจำแนกโรคพืช โดยพิจารณาจากใบพืชเช่น ข้าว มะเขือเทศ แตงกวา แอปเปิ้ล องุ่น และมันสำปะหลัง [10]–[13] เนื่องจากโรคพืชโดยส่วนใหญ่แสดงอาการที่ใบเป็นหลัก เช่น อาการใบจุด ใบไหม้ ใบด่าง สนิมเหล็ก ราแป้งขาว และราน้ำค้าง เป็นต้น

          แต่ด้วยอาการของโรคพืชที่แสดงอาการใบนั้นมีความแตกต่างกัน รวมถึงความแตกต่างกันของรูปที่ได้มา เช่น 1) ในโรคพืชชนิดเดียวกันจะแสดงอาการแตกต่างกันตามระดับของโรค อย่างโรคที่เป็นระยะเริ่มต้นจะแสดงอาการเพียงเล็กน้อย แต่โรคที่เป็นหนักจะแสดงอาการที่มากขึ้น  2) โรคพืชบางโรคที่ต่างกัน แต่แสดงอาการคล้ายคลึงกัน 3) รูปที่ถ่ายมาอาจมีลักษณะที่ต่างกัน เช่น ช่วงเวลาในการถ่ายรูปใบอย่างช่วงเช้าที่มีแดดออก หรือช่วงเย็นที่แสงน้อย ในบางรูปอาจจะมีเฉพาะส่วนของใบที่เป็นโรค หรือใบทั้งหมดที่มีใบที่เป็นโรครวมอยู่ หรืออาจจะมีส่วนฉากหลังที่ต่างกันติดมากับรูปด้วย ที่กล่าวมานี้ล้วนเป็นสิ่งที่ท้าทายกับนักวิจัยที่จะศึกษา และพัฒนาวิธีการที่ดีที่สุดเพื่อที่จะจำแนกรูปภาพโรคพืชให้มีความรวดเร็ว และถูกต้องมากที่สุด

          ส่วนประโยชน์ของการจำแนกโรคพืชจากใบที่รวดเร็ว และมีความถูกต้องแม่นยำสูง นอกจากจะช่วยวินิจฉัยโรคพืชตั้งแต่ระยะเริ่มต้น เพื่อรักษา ป้องกัน หรือควบคุมการแพร่ระบาดของโรคพืช ยังช่วยเกษตรกรที่ขาดความเชี่ยวชาญในการปลูกพืช ขาดสิ่งอำนวยความสะดวก ประหยัดค่าใช้จ่าย และเวลาที่ต้องเสียไปในการติดต่อผู้เชี่ยวชาญ ที่มีค่าใช้จ่ายสูง และต้องใช้เวลาในการดำเนินการที่นาน เพราะเพียงแค่เห็นอาการที่แสดงออกทางใบพืช ก็สามารถทราบถึงโรคพืชได้ทันที และยังเป็นการช่วยสนับสนุนให้เกษตรกรจัดการโรคพืชด้วยการใช้วิธีชีวภาพ เพื่อทดแทนการใช้สารเคมีที่มีราคาแพง เป็นภัยต่อผู้ใช้ ผู้บริโภค และสิ่งแวดล้อม เพราะการทราบถึงโรคพืช ช่วยให้เข้าใจถึงสาเหตุของโรค สภาพแวดล้อมที่อาจทำให้เกิดโรค และหลักการในการป้องกันกำจัดโรคพืช เพื่อนำไปใช้กับวิธีชีวภาพให้ได้ประสิทธิภาพ และป้องกันโรคได้ดีมากยิ่งขึ้น

          จากความท้าทายของการรู้จำภาพใบพืช ผู้วิจัยจึงได้นำเสนอกระบวนการในการรู้จำรูปภาพใบพืชด้วยวิธีการเรียนรู้เชิงลึก โดยได้แบ่งรูปแบบของกระบวนการศึกษาดังนี้ 1) การเพิ่มประสิทธิภาพการเรียนรู้เชิงลึกในการรู้จำรูปภาพใบพืชด้วยเทคนิคการเรียนรู้ร่วมกับเทคนิคการเพิ่มข้อมูล (Data Augmentation) 2) การรู้จำรูปภาพใบพืชด้วยการเรียนรู้แบบรวมกลุ่ม 3) การรู้จำภาพใบพืชด้วยวิธีการสกัดคุณลักษณะเชิงลึก

วัตถุประสงค์ :

  1. เพื่อรู้จำโรคใบพืชด้วยโครงข่ายประสาทแบบคอนโวลูชันเชิงลึก
  2. เพื่อเพิ่มประสิทธิภาพการรู้จำโรคใบพืชด้วยวิธีการเพิ่มข้อมูล, การเรียนรู้ที่หลากหลาย และการสกัดคุณลักษณะ
  3. เพื่อพัฒนาแอปพลิเคชันบนมือถือ โดยใช้แบบจำลองการเรียนรู้เชิงลึกที่ได้จากการทำวิจัยมาช่วยค้นหาชนิดของโรคพืชที่แตกต่างกัน เพื่อให้คำแนะนำเกษตรกร หรือนักวิชาการด้านพันธุ์พืช ในการจัดการโรคพืช และควบคุมการแพร่ระบาดของโรคพืชได้